量子科技中心_量科网

我们正处于噪声中尺度量子（NISQ）时代，量子计算机受限于噪声门，其中一些门比其他门更容易出错，可能导致最终的计算结果无法理解。量子电路编译算法在将量子算法映射到量子硬件时，试图最小化这些噪声门，但面临计算挑战，限制了其应用于不超过5-6个量子比特的电路，因此需要在应用噪声量子门最小化算法之前对大型电路进行划分。现有的这些算法本质上是启发式的，并未考虑后续的门最小化任务。大语言模型（LLMs）有潜力改变这一现状，并帮助改进量子电路划分。本文研究了利用LLMs（如Llama和Mistral）进行量子电路划分的方法，利用其理解和生成代码（包括QASM）的能力。具体而言，研究团队通过伯克利量子合成工具包的快速划分方法，教导LLMs进行电路划分。通过实验评估，研究团队表明，对开源LLMs进行精细调优后，在划分任务中可以达到53.4%的准确率，而现成的LLMs在使用标准的1-shot和_